Otimização de uma unidade de destilação atmosférica de petróleo utilizando redes neurais e algoritmos genéticos

Texto completo

(1)Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia Química Programa de Pós-Graduação em Engenharia Química. DISSERTAÇÃO DE MESTRADO. OTIMIZAÇÃO DE UMA UNIDADE DE DESTILAÇÃO ATMOSFÉRICA DE PETRÓLEO UTILIZANDO REDES NEURAIS E ALGORITMOS GENÉTICOS José Hilton da Silva. Orientadora: Profa. Dra. Márcia Maria Lima Duarte Coorientador: Prof. Dr. Adrião Duarte Dória Neto. Natal/RN Dezembro/2014.

(2) José Hilton da Silva. OTIMIZAÇÃO DE UMA UNIDADE DE DESTILAÇÃO ATMOSFÉRICA DE PETRÓLEO UTILIZANDO REDES NEURAIS E ALGORITMOS GENÉTICOS. Dissertação. de. Mestrado. apresentada. ao. Programa de Pós-Graduação em Engenharia Química - PPGEQ, da Universidade Federal do Rio Grande do Norte - UFRN, como parte dos requisitos para obtenção do título de Mestre em Engenharia Química, sob a orientação do Profa. Dra. Márcia Maria Lima Duarte e coorientação do Prof. Dr. Adrião Duarte Dória Neto.. Natal/RN Dezembro/2014.

(3)

(4) SILVA, José Hilton – Otimização de uma unidade de destilação atmosférica de petróleo utilizando redes neurais e algoritmos genéticos. Dissertação de Mestrado, Programa de PósGraduação em Engenharia Química. Mestrado em Engenharia Química. Linha de Pesquisa: Fenômenos de Transporte, Sistemas Particulados e Processos de Separação. Universidade Federal do Rio Grande do Norte, Natal – RN, Brasil, 2014. Orientadora: Profa. Dra. Márcia Maria Lima Duarte. Coorientador: Prof. Dr. Adrião Duarte Dória Neto RESUMO: A unidade de destilação atmosférica é a planta mais importante de uma refinaria de petróleo. Para levar a operação desta unidade próxima a melhor condição operacional é necessário medir algumas propriedades chaves, em tempo real, para a atuação do sistema avançado de otimização. Neste contexto um sistema inteligente aplicado a uma unidade de destilação de petróleo bruto foi desenvolvido para realizar a otimização do processo com maximização da produção diesel, produto de maior valor agregado, atendendo aos requisitos de qualidade determinados pela Agência Nacional de Petróleo, Gás Natural e Biocombustíveis (ANP). A modelagem do processo de destilação foi realizada por meio de redes neurais artificiais (RNA). As variáveis operacionais de entrada do processo foram as propriedades de petróleo bruto e variáveis manipuladas, enquanto que as variáveis de saída do sistema foram definidas como as de qualidades do óleo diesel. O modelo de RNA construído pode ser aplicado na previsão das variáveis de qualidade do produto principal da unidade, óleo diesel, de acordo com as variáveis de entrada do sistema. Além disso, foi desenvolvido um otimizador do processo com o uso de algoritmos genéticos (AG) com o objetivo de minimizar erros de saída do sistema inteligente e maximizar a produção do óleo diesel. Assim sendo, as condições de funcionamento ideais foram encontradas usando o banco de dados de conhecimento obtido pelas redes neurais com um método de otimização por algoritmos genéticos de acordo com uma função objetivo definida, e, desta forma, no cenário analisado o modelo previu um aumento de 1,3% na produção de diesel.. Palavras-Chave: Destilação atmosférica de petróleo, otimização, óleo diesel, redes neurais, algoritmos genéticos..

(5)

(6) Optimization of a crude oil distillation unit using neural networks and genetic algorithms. ABSTRACT The crude oil distillation unit is the most important plant of a petroleum refinery. To carry this operation close to its optimal operating point unit is necessary to measure some key properties in real time for advanced system performance optimization. In this context an expert system of a crude oil distillation unit was developed to make the process optimization to maximize diesel production, produce greater value, meeting the quality requirements set by the Agência Nacional de Petróleo, Gás Natural e Biocombustíveis (ANP). The modeling of the distillation process was performed using artificial neural networks (ANN). The operational process input variables were properties of crude oil and manipulated variables, while the system output variables were defined as those qualities of diesel. The constructed ANN model can be applied to the prediction of the quality variables of the main product of the unit, diesel , respect to the input variables of the system. In addition, we developed a process optimizer using genetic algorithms (GA) with the objective to minimize output errors expert system and also maximize production of diesel. Therefore, optimal operating conditions were found using the database of knowledge obtained by neural networks with an optimization method for genetic algorithms according to an objective function defined. Thus, in the analyzed scenario, there was a 1.3% increase in diesel production. Keywords: Crude oil distillation, optimization, diesel, neural networks, genetic algorithms..

(7) AGRADECIMENTOS Agradeço a Deus pelo seu eterno amor que nos traz esperança e disposição para superar desafios. Agradeço a minha linda esposa Priscilla por ser minha inspiração, e pelo seu constante apoio, incentivo e carinho. A toda minha família, meus pais e irmãos, pelo incentivo, pela confiança que sempre tiveram em mim. Aos meus orientadores Márcia Duarte e Adrião Duarte pela disponibilidade, apoio, por confiar no meu trabalho e por ter proposto esse desafio. À professora Vanja, ao professor Maitelli e ao Dr. Laerte Medeiros por participarem da banca do exame de qualificação e da defesa do mestrado e também pela contribuição que deram a este trabalho. Aos meus amigos da Petrobras pelo companheirismo, amizade e paciência. Ao PPGEQ pela estrutura física e pelos bons professores..

(8) SUMÁRIO 1.. Introdução ................................................................................................................. 2. 2.. Revisão Bibliográfica.................................................................................................. 5 2.1 Estado da arte ..................................................................................................................... 5 2.2 Visão geral do processo da unidade industrial em estudo ..................................................... 8 2.3 Simulação de processo ...................................................................................................... 12 2.4 Redes Neurais ................................................................................................................... 14 2.5 Algoritmos genéticos......................................................................................................... 19. 3.. Metodologia ............................................................................................................ 25 3.1 Simulação ......................................................................................................................... 26 3.2 Redes neurais ................................................................................................................... 32 3.3 Algoritmo genético ........................................................................................................... 36. 4.. Resultados e discussões............................................................................................ 40 4.1 Simulação da unidade ...................................................................................................... 40 4.2 Análise das variáveis operacionais para obtenção de dados para as redes neurais .............. 46 4.3 Modelagem do processo utilizando rede neural ................................................................. 50 4.4 Otimização do processo com algoritmo genético ............................................................... 57. 5.. Conclusões ............................................................................................................... 60. 6.. Referências Bibliográficas ........................................................................................ 62.

(9) LISTA DE FIGURAS Figura 2.1– Fluxograma esquemático da unidade em estudo. Fonte: Autor. ............................. 9 Figura 2.2 – Arquitetura típica de uma rede neural feedforward com uma camada intermediária. Fonte: Motlaghi et al. (2008). ........................................................................... 16 Figura 2.3 – Esquema de um neurônio típico. Fonte: Salvatore (2007). .................................. 17 Figura 2.4 Exemplo de uma rede de função de base radial. Fonte: Salvatore (2007). ............. 18 Figura 2.5 – Estrutura de funcionamento de um AG tradicional. Fonte: Lucas (2002). .......... 19 Figura 2.6 - Exemplo do operador de cruzamento em um ponto. Fonte: Thede (2004) .......... 20 Figura 3.1– Diagrama de blocos do estudo desenvolvido. Fonte: Autor. ................................ 25 Figura 4.1 – Curva de destilação ASTM D-86 da nafta. .......................................................... 44 Figura 4.2 – Curva de destilação ASTM D-86 do diesel......................................................... 45 Figura 4.3 – Influência das variáveis operacionais na propriedade T85% do diesel da torre T-03. ......................................................................................................................................... 47 Figura 4.4 – Influência das variáveis operacionais na propriedade ponto de fulgor do diesel da torre T-03. ................................................................................................................................. 48 Figura 4.5 – Influência das variáveis operacionais da variável temperatura de panela da torre T-02. ......................................................................................................................................... 49 Figura 4.6– Influência das variáveis operacionais da variável vazão de diesel da torre T-03. 50 Figura 4.7– Resultado da modelagem da propriedade T85% por redes neurais. ..................... 55 Figura 4.8 – Resultado da modelagem da propriedade ponto de fulgor por redes neurais. ..... 55 Figura 4.9 – Resultado da modelagem da variável temperatura de panela por redes neurais. . 56 Figura 4.10 – Resultado da modelagem da variável vazão de diesel por redes neurais. .......... 56.

(10) LISTA DE TABELAS Tabela 2.1– Um exemplo de cruzamento uniforme. ................................................................ 21 Tabela 3.1– Funções de transferência. ..................................................................................... 33 Tabela 3.2– Algoritmos de aprendizado. .................................................................................. 33 Tabela 4.1– Dados da torre de destilação atmosférica. ............................................................ 42 Tabela 4.2– Condições operacionais da torre estabilizadora e da torre de destilação atmosférica................................................................................................................................ 43 Tabela 4.3 – Resultados da simulação. ..................................................................................... 43 Tabela 4.4 – Resultados da simulação - Propriedades da nafta da torre T-02. ......................... 44 Tabela 4.5 – Resultado da simulação - Propriedades do diesel da torre T-03. ......................... 45 Tabela 4.6– Modelagem da propriedade T85%........................................................................ 51 Tabela 4.7– Modelagem da propriedade ponto de fulgor. ........................................................ 52 Tabela 4.8 – Modelagem da temperatura de panela. ................................................................ 53 Tabela 4.9 – Modelagem da vazão de diesel. ........................................................................... 54 Tabela 4.10 – Resumo da modelagem com redes neurais. ...................................................... 57.

(11) SIMBOLOGIA. Símbolos. Nomenclatura. AG ou GA. Algoritmo genético. ANP. Agência Nacional de Petróleo. B-04. Bomba de refluxo de topo da torre fracionadora principal. B-05. Bomba de retirada de diesel. DSL. Diesel. NFT. Nafta. Qcond. Calor retirado pelo condensador da torre fracionadora principal. QDSL. Vazão de diesel. Qforno. Calor absorvido pelo petróleo no forno. Qr. Calor utilizado na retificação do diesel. Pcond. Pressão do condensador da torre fracionadora principal. PF. Ponto de fulgor. PFE. Ponto final de ebulição. Pfundo. Pressão de fundo da torre fracionadora principal. PIE. Ponto inicial de ebulição. Ptopo. Pressão de topo da torre fracionadora principal. PVR. Pressão de vapor Reid. RAT. Resíduo atmosférico. RNA. Redes neurais artificiais. RR. Razão de refluxo. T-01. Torre estabilizadora. T-02. Torre fracionadora principal. T-03. Torre retificadora. T85%. Temperatura em que ocorre a vaporização de 85% do volume do derivado. T90%. Temperatura em que ocorre a vaporização de 90% do volume do derivado. Tcond. Temperatura do condensador da torre fracionadora principal. TDSL. Temperatura de fundo da torre retificadora.

(12) Tforno. Temperatura de saída do forno. Tfundo. Temperatura de fundo da torre fracionadora principal. Tr. Temperatura de fundo da torre retificadora. Tpan. Temperatura do líquido na panela de retirada de diesel. Ttopo. Temperatura de topo da torre fracionadora principal.

(13) Capítulo 1 Introdução.

(14) Introdução. 1. Introdução O petróleo, para que tenha seu potencial energético efetivamente aproveitado, deve ser desdobrado em cortes de faixas de ebulição características, denominados frações. Assim, para que esse objetivo seja alcançado, o óleo bruto é submetido ao processo de destilação (Brasil, 2014). A destilação é um processo físico de separação, baseado na diferença de temperaturas de ebulição entre compostos coexistentes numa mistura líquida. As temperaturas de ebulição de hidrocarbonetos aumentam com o crescimento de suas massas molares. Desta forma, variando-se as condições de aquecimento de um petróleo, é possível vaporizar os compostos leves, intermediários e pesados, que, ao se condensarem, podem ser fracionados. Paralelamente, ocorre a formação de um resíduo bastante pesado, constituído principalmente de hidrocarbonetos de elevadas massas molares, que, nas condições de temperatura e pressão em que a destilação é realizada, não se vaporizam (Brasil, 2014). O objetivo operacional de uma unidade de destilação é alcançar um sistema bem controlado e estável, com alta produtividade e qualidade do produto, bem como baixo custo operacional. Portanto, tem sido dada atenção nos últimos anos ao projeto de engenharia, à estratégia de controle e à otimização de processos destas unidades de forma a melhorar a eficiência operacional e garantia de qualidade (Sea et al., 2000). No entanto, devido às interações não lineares entre as variáveis de entrada e de saída existentes no processo de destilação, é bastante complicado obter e manter uma condição de funcionamento ideal da planta. Além disso, as variáveis manipuladas tem que ser ajustadas frequentemente devido à variação das propriedades do petróleo bruto. Todos estes fatos aumentam a necessidade de controlar e otimizar a unidade e tornam a operação da mesma bastante complexa (Mizoguchi et al., 1995). Os sistemas inteligentes, um campo da inteligência computacional, aplicam conhecimentos para fornecer soluções para muitos sistemas complexos (Giarratano & Riley, 1993). Geralmente, a estrutura básica de um sistema inteligente é composta de uma base de dados de conhecimento e de um otimizador para gerar uma resposta adequada para o usuário. Métodos como a lógica fuzzy, redes neurais artificiais (RNA), ou neuro-fuzzy, são geralmente utilizados para a construção do banco de dados de conhecimento. Esta base de dados pode ser representada por um conjunto de regras, um padrão, ou valores ainda topológicos, relativa à entrada para a saída do sistema operativo (Jackson, 1999). José Hilton da Silva, Dezembro/2014. 2.

(15) Introdução. A abordagem RNA foi implementada e considerada como uma das formas eficazes para modelar processos complexos devido à característica não-linear de sua estrutura. Esta ferramenta foi utilizada com sucesso para um controle de processo de fabricação de semicondutores (Card et al., 1997 ) e de processo de polimerização (Tsen et al., 1996) . Além disso, RNA foi utilizada com êxito para a otimização de processo de muitos sistemas, como de uma de reação química (Keeler et al., 1998), de processos químicos industriais (Nascimento et al., 2000) e de processamento de células solares (Liau et al., 2002). Neste trabalho, foi desenvolvido um sistema inteligente de uma unidade de destilação atmosférica de petróleo para fornecimento de informações do funcionamento ideal da planta de forma a ser possível realizar a otimização da mesma. Para este fim, foi criado um banco de dados do conhecimento do sistema operacional. Este banco foi construído utilizando redes neurais artificiais com os dados operacionais da planta, os quais foram obtidos por meio de uma simulação ajustada da unidade, e por dados fornecidos pelos engenheiros e operadores. Esta base de dados de conhecimento, representado e armazenado por uma configuração de RNA, foi então utilizada para estimar as melhores condições operacionais do processo usando um método de otimização por algoritmos genéticos. Este sistema inteligente pode ser implementado para prever uma condição operacional ideal da planta para os operadores. Ou seja, os efeitos das variáveis de operação sobre as qualidades do produto do processo podem ser previstos possibilitando o ajuste da unidade no ponto operacional ótimo.. José Hilton da Silva, Dezembro/2014. 3.

(16) Capítulo 2 Revisão Bibliográfica.

(17) Revisão Bibliográfica. 2. Revisão Bibliográfica Neste capítulo será apresentada uma revisão bibliográfica a respeito de destilação de petróleo, variáveis de otimização de unidades de destilação, modelagem não-linear por meio de redes neurais e algoritmos genéticos. As principais fontes consultadas para a elaboração do referencial teórico foram: artigos em periódicos, livros, teses e dissertações. A pesquisa bibliográfica foi feita utilizando a base de dados de sites acadêmicos conceituados.. 2.1 Estado da arte Liau et al. (2004) desenvolveram um sistema inteligente utilizando redes neurais para otimização de uma unidade de destilação de petróleo com a diminuição da sobreespecificação dos produtos. As variáveis de entrada do sistema foram propriedades do petróleo e variáveis manipuladas. Enquanto as variáveis de saída do sistema foram as propriedades dos derivados de petróleo determinantes na especificação destes. As redes neurais puderam ser aplicadas na predição das propriedades de qualidades dos produtos em relação às variáveis de entrada do sistema. O erro relativo da modelagem foi satisfatório, sendo menor do que 8%. Condições ideais de operação foram encontradas usando o método de otimização com a função objetivo definida. O sistema construído pode fornecer informações operacionais otimizadas em tempo real em função das mudança das propriedades do petróleo bruto aos operadores da planta. Motlaghi et al. (2008) projetaram um sistema inteligente com redes neurais e algoritmos genéticos para otimização da produção de querosene e diesel de uma coluna de destilação de petróleo bruto. O sistema inteligente desenvolvido utilizou dados reais de uma refinaria localizada em Abadan, Iran. As variáveis de entrada da coluna foram os parâmetros operacionais do petróleo, tais como vazão e temperatura, enquanto as variáveis de saída do sistema foram definidas como as propriedades de qualidades dos produtos. A modelagem do processo com redes neurais com os dados de entrada e saída apresentou resultados bastante satisfatórios tendo erro máximo de 5% e coeficiente de regressão maior do que 0,94. O sistema foi capaz de otimizar o processo de destilação com a minimização do erro de saída do modelo e maximizar a taxa de produção dos derivados de maior valor econômico controlando os valores das propriedades de especificação dos mesmos. José Hilton da Silva, Dezembro/2014. 5.

(18) Revisão Bibliográfica. Karimi & Ghaedi (2009) utilizaram redes neurais e algoritmos genéticos para modelar e otimizar um processo de adsorção com carvão ativado para remoção de corantes de efluentes da indústria têxtil e da celulose. A influência das variáveis foi simulada usando redes neurais artificiais e subsequente aplicação do algoritmo genético (GA) para a otimização das variáveis efetivas. A cinética de adsorção foi modelada através das redes neurais treinadas com função de aptidão com erro relativo máximo de 1,65% e coeficiente de regressão maior que 0,998. Com a aplicação das técnicas de modelagem e otimização sob condições ideais de operação, foi alcançada a máxima remoção de corante (96,2%). Ochoa-Estopier et al. (2013) estudaram a otimização operacional da integração energética de uma unidade de destilação de petróleo usando redes neurais. No trabalho um modelo de redes neurais artificiais foi utilizado para representar a coluna de destilação, sendo possível determinar sistematicamente as condições de operação ótimas, com o aumento do rendimento de produtos com valor mais elevado em detrimento dos de menor valor, considerando as restrições das eficiências de separação do processo de destilação, da recuperação de calor e dos equipamentos. Macías & Feliu (2001) utilizaram dados dinâmicos obtidos através de um simulador comercial para gerar modelos dinâmicos de uma unidade de destilação de petróleo por meio de redes neurais. A eficácia da metodologia proposta foi verificada a partir de testes dinâmicos na planta. Jiang et al. (2014) utilizou redes neurais e algoritmos genéticos para modelar e otimizar um processo de cura de polímeros. Um modelo neural foi adotado para investigar as relações entre os parâmetros de processo de cura de polímeros (concentração do polímero, velocidade de agitação e tipo do agitador), viscosidade e tempo de cura. A adequação dos modelos matemáticos estabelecidos foi verificada pela análise de variância. Os efeitos da interação de parâmetros do processo sobre o desempenho de mistura foram investigados. A função objetiva integrada com o algoritmo genético foi utilizada para determinar as condições ótimas de máxima viscosidade e um tempo mínimo de cura. A concentração de polímero de 3,798 mg/L, hélice dupla e a velocidade de agitação de 115 rpm foram as condições otimizadas para o processo de cura do polímero. Os melhores José Hilton da Silva, Dezembro/2014. 6.

(19) Revisão Bibliográfica. resultados previstos pelo algoritmo genético estavam de acordo com os resultados experimentais. Fraga & Matias (1996) descreveram o uso de um procedimento de otimização estocástica com algoritmos genéticos para a otimização de uma sequência pré-selecionada de unidades de destilação para a separação de uma mistura azeotrópica de três componentes. Ao fixar a estrutura em termos de unidades desejadas, o problema de otimização foi reduzido para uma concepção de cada uma das unidades relevantes, escolhendo as condições de operação adequadas, e assim os autores encontraram a rede ideal de troca de calor. Leboreiro & Acevedo (2004) estudaram a aplicação de algoritmos genéticos, juntamente com um simulador de processo sequencial, no projeto de sequências complexas de destilação. A utilização do simulador facilitou a formulação de modelos rigorosos para diferentes alternativas de processo, enquanto que o algoritmo genético permitiu obter soluções para o problema matemático complexo, envolvendo decisões discretas e contínuas. Para reduzir os requisitos computacionais do procedimento de otimização, foram propostas várias estratégias, incluindo um critério de parada, que fornece uma maneira eficiente para interromper os cálculos quando for encontrada a solução ótima. A implementação destas estratégias resultou em reduções de até 60% no tempo de processamento para a síntese de sistemas de destilação complexas. Wang et al. (1998) utilizaram algoritmos genéticos na otimização de sequências de separação e da rede de trocadores de calor em uma unidade de destilação multicomponentes. Segundo os autores o algoritmo herdou ideias principais em computação evolucionária, empregando uma estratégia de subpopulação distribuída para evitar ótimos locais, e aplicou um procedimento de codificação variável contínua, o que é computacionalmente rápido e estável em convergência a um mínimo global. Babu et al. (2009) aplicaram algoritmo genético para realizar otimização econômica do projeto do controle de uma alimentação dupla de uma coluna de destilação reativa ideal no estado estacionário. A inovação do trabalho foi o desenvolvimento de um procedimento simples, baseado em critérios do estado estacionário para controlabilidade. A otimização foi realizada para quatro cenários que correspondiam a um aumento sequencial do número de variáveis de projeto. Os resultados mostraram que a limitação do espaço de busca da José Hilton da Silva, Dezembro/2014. 7.

(20) Revisão Bibliográfica. otimização dos projetos que satisfazem os critérios de controlabilidade levou a projetos otimizados que são apenas ligeiramente (<2%) mais caros do que o modelo mais econômico sem considerar a controlabilidade. No entanto, os antigos projetos exibiram muito melhor controlabilidade em termos de efetivamente lidar com grandes mudanças usando o controle inferencial de temperatura de dois pontos e evitar uma transição de estado estacionário na operação em malha aberta. Os resultados mostraram também que a localização da carga fresca foi uma variável dominante do projeto. Cortez-Gonzalez et al. (2012) estudaram a otimização de sistemas de destilação complexos altamente não lineares e multivariáveis, com vários pontos ótimos e sujeitos a diferentes restrições. Neste contexto, algumas características para o projeto destes esquemas de separação são muitas vezes objetivos conflitantes. Como resultado, a solução com métodos de otimização tradicionais não foram confiáveis, porque eles geralmente convergem para locais ótimos, mas não o ótimo global. Entretanto, a utilização de um algoritmo genético multiobjectivo, com restrições acopladas ao Aspen Plus®, mostrou ser uma solução bastante promissora, uma vez que cálculos rigorosos de equilíbrio de fases foram considerados. Os resultados mostraram algumas tendências na criação de sequências de separação, de acordo com a natureza da mistura e da composição da alimentação. Miranda-Galindo et al. (2009) utilizaram algoritmos genéticos para otimização de um processo de esterificação do ácido láurico com metanol usando uma sequência de destilação com retificadora lateral acoplada termicamente. O produto da esterificação foi utilizado como biodiesel. Verificou-se, que variando as condições operacionais, a sequência de destilação com retificadora lateral acoplada termicamente produziu um biodiesel com elevado grau de pureza (99,9%) com redução do consumo de energia.. 2.2 Visão geral do processo da unidade industrial em estudo A planta de destilação atmosférica de petróleo do presente estudo foi projetada utilizando os princípios de dessalgação e destilação, tendo como produtos principais o diesel, a nafta leve e o resíduo atmosférico (RAT). Neste processo, é importante a remoção das impurezas da carga, visto que sais, água e sólidos causam sérios danos à unidade se não forem removidos do óleo cru, diminuindo o tempo de campanha e provocando uma operação. José Hilton da Silva, Dezembro/2014. 8.

(21) Revisão Bibliográfica. ineficiente da unidade. Na Figura 2.1 tem-se uma fluxograma do processo da unidade em estudo.. Figura 2.1– Fluxograma esquemático da unidade em estudo. Fonte: Autor. Legenda: B-01A/B: Bombas de carga; DL-01A/B: dessalgadoras do petróleo; P-01: permutador casco e tubos petróleo versus diesel produto; T-01: torre estabilizadora; DSL: diesel; RAT: resíduo atmosférico; V-02: vaso de topo da T-01; B-02A/B: bombas de retirada de nafta leve; P-03: reboiler da torre T-01; B-03A/B: bombas de fundo da torre T-01; P-02A/C: permutadores casco e tubos petróleo versus resíduo atmosférico; F-01: forno atmosférico; José Hilton da Silva, Dezembro/2014. 9.

(22) Revisão Bibliográfica. T-02: torre fracionadora principal; T-03: torre retificadora de diesel; B-04A/B: bombas de refluxo de topo da T-02; B-05A/B: bombas de retirada de diesel; B-10A/B: bombas de retirada de nafta pesada; B-06A/B: bombas de fundo da torre T-02; V-04: vaso de topo da T-02; Flare: Sistema de queima de gases; U-280A: Unidade de tratamento convencional de nafta.. A carga, ou óleo cru, recebe uma pequena vazão de inibidor de incrustação, e ainda uma pequena vazão de desemulsificante. A corrente composta de óleo cru + água doce + inibidor de incrustação + desemulsificante, totalmente misturados, entra em um vaso dessalgador, onde passa através de um campo elétrico de alta voltagem, mantido entre paredes de eletrodos metálicos. As forças elétricas do campo assim criado provocam uma coalescência das gotículas de água presentes na corrente, formando gotas maiores que têm massa suficiente para decantar rapidamente através do óleo cru, indo para o fundo do vaso e sendo constantemente drenada para uma unidade de tratamento de efluentes. O óleo passa, então, por uma segunda dessalgadora antes de ser enviado à torre estabilizadora. A torre estabilizadora (T-01) tem o objetivo de retirar os leves da carga, como a água, nafta instabilizada e o gás combustível. Na estabilizadora, tem-se uma destilação por expansão brusca, que consiste em uma operação de um só estágio na qual uma mistura líquida é parcialmente vaporizada, com o vapor entrando em equilíbrio com o líquido residual. As fases de líquido e vapor resultantes são separadas e removidas da torre. Os gases de topo são condensados no vaso de topo, onde são separados os leves e encaminhados para tocha, enquanto a água ácida é enviada para a unidade de tratamento de água e a nafta leve é direcionada para a tancagem de petróleo. O fundo da torre corresponde ao óleo estabilizado, que é pré-aquecido ao trocar calor com o resíduo atmosférico da torre fracionadora e enviado ao forno. O forno (F-01) tem o objetivo de aquecer o óleo estabilizado de forma a vaporizar a maior parte dos hidrocarbonetos, possibilitando o processo de destilação que ocorrerá na fracionadora. O óleo estabilizado entra no forno através de dois passes, sendo que o objetivo é José Hilton da Silva, Dezembro/2014. 10.

(23) Revisão Bibliográfica. manter a temperatura igual em cada um deles e controlar a temperatura de saída por meio da queima de gás combustível neste equipamento. O fluido aquecido é enviado à torre fracionadora. Ao ser injetado na fracionadora (T-02) , por consequência do abaixamento de pressão, ocorre uma nova vaporização dos hidrocarbonetos. Essa torre possui somente uma retirada lateral, correspondendo ao diesel, que é enviado à retificadora de diesel. Os gases de topo da fracionadora são enviados ao vaso de topo, onde se condensam e são retiradas a água ácida e a nafta pesada, sendo uma parte desta enviada como refluxo de topo desta torre. No fundo da fracionadora é retirado o resíduo atmosférico, que possui valor agregado baixo, mas que é vendido como óleo combustível exportação com baixo teor de enxofre. A torre retificadora de diesel (T-03) tem o objetivo de remover leves deste derivado, o que é feito por meio de um refervedor localizado no fundo desta torre. Os leves são retirados no topo da torre e retornam à fracionadora, enquanto que o diesel, retirado no seu fundo, é enviado, após ser resfriado por permutador casco e tubos que aquece o petróleo antes das dessalgadores e por air-coolers, para os tanques de armazenamento de produto. O trabalho de otimização proposto abrangerá a saída do forno, a torre atmosférica e a retificadora de diesel. As variáveis de otimização de uma Unidade de Destilação Atmosférica são de suma importância devido à necessidade de atender as especificações internas e externas, como da agência reguladora ANP (Agência Nacional de Petróleo, Gás Natural e Biocombustíveis) e ainda otiminizar a produção dos derivados (mínima sobre-especificação). No processo em estudo as variáveis de otimização são ponto de fulgor, curvas de destilação ASTM D86 e pressão de vapor Reid. O ponto de fulgor é a menor temperatura na qual o produto se vaporiza em quantidade suficiente para, em uma mistura com ar, inflamar-se momentaneamente através de uma centelha, ou seja, quanto maior o ponto de fulgor, menor o teor de leves no produto. Esta propriedade está associada à segurança no armazenamento e manuseio do derivado. Em uma campanha de maximização da produção de diesel, esta propriedade indica, para equipe de otimização da produção, o máximo de nafta de destilação direta que pode ser degradada, neste derivado, no processo. Isto é obtido com a diminuição da temperatura de topo da torre atmosférica (com aumento da vazão de refluxo de topo) e diminuição da retificação na torre retificadora lateral. José Hilton da Silva, Dezembro/2014. 11.

(24) Revisão Bibliográfica. A curva de destilação é o conjunto de pontos de ebulição que correspondem a determinadas frações evaporadas da mistura. Quanto maior a temperatura de ebulição de uma determinada fração evaporada (corte) maior a quantidade de pesados nesse corte. Assim sendo, na produção de diesel, o objetivo é adicionar o máximo de frações pesadas até o limite máximo da T85% (370 oC), por meio do aumento da temperatura do forno (até o limite de 385 oC, para evitar formação de coque nos tubos do equipamento) e aumento da vazão de retirada do produto. Quando o objetivo da unidade é maximizar a produção de nafta de destilação direta para incorporar à gasolina, as propriedades controladas são PVR (Pressão de Vapor Reid) e a T90% (temperatura de evaporação de 90% em volume da nafta). A PVR é a pressão no interior de um cilindro apropriado a 37,8 ºC que se encontra em uma condição intermediária de vaporização. Esta indica a quantidade máxima de GLP que se pode incorporar à nafta, ou seja, esta propriedade nos dá um indicativo da quantidade de leves neste derivado. Para aumentar a PVR é necessário aumentar a pressão e diminuir a temperatura de topo da torre de destilação. O limite de T90% da nafta é 190 oC, e para obter este valor aumenta-se a temperatura de topo da torre de destilação.. 2.3 Simulação de processo Na simulação de processos químicos existem dois elementos principais: correntes e módulos. Corrente é uma mistura multicomponente da qual se conhece, ou se quer determinar, temperatura, pressão, vazão e composição. Módulo é a representação do equipamento ou do processo unitário que se quer simular, mas existem alguns módulos sem correspondência física com uma unidade de processo que, ainda assim, promovem alterações em correntes. Então, em última análise, módulos são transformadores de correntes (manual Petrox, versão 3.3). Para se realizar a simulação de um processo químico é necessário um conjunto de informações, que independe do simulador que se pretende empregar e da maneira como estes dados serão fornecidos. De um modo geral, estes dados podem ser classificados em sete seções: • dados gerais: título do projeto, descrição, data, nome do usuário, sistema de unidades, opções de impressão, tolerâncias para os cálculos iterativos.. José Hilton da Silva, Dezembro/2014. 12.

(25) Revisão Bibliográfica. • dados dos componentes: é necessário que se especifiquem todos os componentes que estarão presentes na simulação, não só os que aparecem nas correntes de entrada, mas também aqueles que serão formados em reações químicas. • métodos de cálculo de propriedades e equilíbrio: nesta seção são definidos os métodos empregados nos cálculos de equilíbrio de fases e na determinação de propriedades físicas. • correntes: é necessário fornecer um conjunto de dados que permita determinar o estado termodinâmico de cada corrente proveniente do ambiente, ou seja, as alimentações da unidade devem estar com vazão, composição, temperatura e pressão (ou algum outro par de variáveis que defina as condições de temperatura e pressão) especificadas. • módulos: nesta seção são selecionados os módulos que farão parte da simulação. • subsistemas: nesta seção são selecionados os subsistemas que farão parte da simulação. • utilitários: propriedades de correntes, envoltórias de fases, análise de sensibilidade e outros cálculos. Neste trabalho utilizou-se o simulador PETROX®, que é um simulador de processos e, como tal, pode ser classificado de formas distintas. Em relação aos modelos matemáticos, o PETROX é um simulador estático, ou seja, reproduz o comportamento da unidade de processo no estado estacionário. Em relação à estratégia de resolução dos modelos, o PETROX é sequencial modular, ou seja, o cálculo é feito módulo a módulo, numa determinada sequência. A abordagem sequencial modular exige que, para que um determinado módulo seja calculado, todas suas alimentações (correntes de entrada) e os seus parâmetros (condições operacionais) sejam conhecidos. Assim como outros simuladores comerciais, o PETROX possui vantagens e desvantagens. Porém para processos envolvendo o refino de petróleo este simulador possui algumas vantagens em relação aos outros: • possui um banco de dados de petróleo contendo propriedades e parâmetros de todos os petróleos nacionais e dos principais internacionais, sendo que os dados foram levantados experimentalmente no CENPES (Centro de Pesquisa da Petrobras); • possui um ajuste implementado especialmente para processos que utilizam petróleos ou frações pesadas; José Hilton da Silva, Dezembro/2014. 13.

(26) Revisão Bibliográfica. • possui equação termodinâmica que calcula sistemas contendo a mistura água/hidrocarboneto. Os modelos existentes para o cálculo do equilíbrio líquido-vapor são: Soave-RedlichKwong (SRK), Peng-Robinson (PR), Chao-Seader (CS), Grayson-Streed (GS), UNIQUAC, Sour Water e Steam Table. Para o cálculo da massa específica os modelos disponíveis para a fase vapor são: LeeKesler, Ely-Hanley, SRK, PR e Steam Table. Para a fase líquida: Rackett, Costald, ElyHanley, Lee-Kesler, SRK e PR. O cálculo da viscosidade da fase líquida pode ser realizado pelos modelos: API, Twu e Ely-Hanley. Para a fase vapor: API e Ely-Hanley. A condutividade térmica do líquido pode ser calculada por: Kellogg, API, TEMA e Ely-Hanley. Na fase vapor por: API e Ely-Hanley.. 2.4 Redes Neurais Segundo Haykin (1999), redes neurais são um processador paralelo distribuído, constituído de unidades de processamento simples, que tem uma capacidade natural para armazenar conhecimento experimental e torná-lo disponível para uso. Ou seja, as redes neurais se assemelham ao cérebro humano. Desta forma, as redes neurais são semelhantes ao cérebro humano em dois aspectos:  O conhecimento é adquirido pela rede neural no exterior por meio de um processo de aprendizagem;  As intensidades das conexões inter-neurônios, conhecidas como pesos sinápticos, são usadas para armazenar o conhecimento adquirido. Outros autores definem redes neurais de outras formas. Por exemplo, Hecht-Nielsen (1990) define redes neurais como um sistema computacional constituído de neurônios ou elementos processadores simples e bastante interconectados que processam a informação por meio de resposta dinâmica a entradas externas. Segundo Salvatore (2007), a característica mais importante das redes neurais é sua capacidade de aprendizado. O treinamento de uma rede neural tem como objetivo produzir um conjunto de saídas desejadas a partir de um conjunto de entradas através dos algoritmos de José Hilton da Silva, Dezembro/2014. 14.

(27) Revisão Bibliográfica. treinamento que são categorizados em supervisionados e não-supervisionados. O treinamento supervisionado requer o par de treinamento (vetor de entradas e de saídas) e a rede neural é treinada a partir de um determinado número de pares. O treinamento não-supervisionado foi desenvolvido por Kohonen (1984) e não requer vetor alvo de saídas. Portanto, o treinamento consiste apenas no vetor de entradas. O algoritmo de treinamento modifica os pesos da rede neural até que as saídas sejam consistentes, ou seja, a inserção dos vetores de entrada ou de outro vetor similar vai gerar uma resposta de mesmo padrão. Neste caso, o treinamento identifica as propriedades estatísticas do conjunto de treinamento e agrupa os vetores em classes similares. Quando um vetor de uma determinada classe é apresentado à rede, um vetor de saída será gerado. Com isso, as saídas de uma rede neural devem ser transformadas em formas compreensíveis após o processo de treinamento. Neste estudo utilizou-se o treinamento supervisionado. 2.4.1 Estruturas As redes neurais podem ser classificadas quanto ao sentido dos sinais durante o processamento. Quando os sinais se propagam para a frente, as redes são classificadas como feedforward. Para o caso contrário, são denominadas redes feedback. Uma rede neural feedforward com uma camada de entrada, uma camada de saída e uma camada intermediária é mostrada na Figura 2.2. Neste trabalho, utilizaram-se programas no Matlab versão R2013a para encontrar as melhores redes neurais que ajustassem a cada modelo, alterando os tipos de redes - multicamadas feedforward, os tipos perceptron multicamadas (Multilayer perceptrons ou MLP) e redes de funções base radial (RBF). Essas redes se distinguem em relação às funções de seus neurônios, chamadas de funções de ativação e modos de treinamento.. José Hilton da Silva, Dezembro/2014. 15.

(28) Revisão Bibliográfica. Figura 2.2 – Arquitetura típica de uma rede neural feedforward com uma camada intermediária. Fonte: Motlaghi et al. (2008). 2.4.2 Perceptrons multicamadas (MLP) Segundo Isermann (2006), os neurônios das redes MLP são chamados de perceptrons. A Figura 2.3 apresenta um neurônio típico. Cada neurônio possui um peso associado (wij) para cada dado (ai) do vetor de entrada. O dado de entrada é então multiplicado por este peso. Outro parâmetro também importante de cada neurônio é o bias (θ). O bias controla a ativação de cada neurônio de maneira que, após a multiplicação do dado de entrada pelo peso, a ativação total do neurônio é calculada subtraindo-se seu valor, conforme Equação (1) (Baughman & Liu, 1995). Ativação Total = xj = ∑ (wij . ai) – θ. José Hilton da Silva, Dezembro/2014. (1). 16.

(29) Revisão Bibliográfica. Figura 2.3 – Esquema de um neurônio típico. Fonte: Salvatore (2007). Após o cálculo realizado pela Equação (1), o resultado passa então pela função ativação, conforme o cálculo representado na Equação (2) (Baughman, 1995). y = F(∑(wij . ai) – θ). (2). As funções de ativação tipicamente usadas na camada escondida são as funções de ativação sigmoidal (entre 0 e 1) e tangente hiperbólica (entre -1 e 1). Na camada de entrada, os neurônios são lineares e na de saída podem ser adotadas funções lineares ou de ativação sigmoidal. O método de retropropagação ou backpropagation é o método mais conhecido de um algoritmo de treinamento supervisionado para redes neurais. Nele, minimiza-se uma função objetivo dada pelos quadrados dos erros entre os dados reais e os dados preditos pela rede neural, ajustando-se os pesos e bias. Dessa forma, dado um par de treinamento (xi, yi) , a etapa de treinamento de uma rede neural MLP deve ser capaz de determinar o vetor de pesos e bias W que minimiza a função objetiva dada pela Equação 3 (Campos & Saito, 2004): F(W) = min ∑(yi – yj)2. (3). Em que yj é a saída da rede.. José Hilton da Silva, Dezembro/2014. 17.

(30) Revisão Bibliográfica. 2.4.3 Redes de função de base radial (RBF) Nas redes de função de base radial cada neurônio da camada escondida das redes de base radial calcula a distância euclidiana entre os dados de entrada u e seu vetor de centros C (Isermann, 2006). A função de ativação da camada escondida desta classe de redes é normalmente Gaussiana. Na Figura 2.4 é apresentado um exemplo de uma rede de função de base radial.. Figura 2.4 Exemplo de uma rede de função de base radial. Fonte: Salvatore (2007). Para um dado neurônio m, os centros Cmj e os desvios-padrão σm são determinados de forma que a função Gaussiana seja uniformemente distribuída. Estas funções contribuem localmente para a saída do modelo, mais especificamente nas vizinhanças de cada centro (Isermann, 2006). Isto significa dizer que este tipo de rede produz uma resposta significante apenas quando o vetor de entrada está associado a uma pequena região localizada do espaço de entrada (Campos e Saito, 2004). As saídas da camada escondida são ponderadas por pesos wi antes de alimentarem um neurônio linear (ou do tipo perceptron) na camada de saída (Isermann, 2006). O treinamento de uma rede de base radial é normalmente dividido em duas etapas: aprendizado na camada intermediária e aprendizado da camada externa ou nó de saída. A primeira fase é geralmente realizada por um método não supervisionado (algoritmo de agrupamento, tipo cluster) e a segunda, o treinamento do nó de saída, por um método supervisionado (Campos e Saito, 2004). Durante o treinamento das redes de base radial, os primeiros parâmetros a serem ajustados são os centros C e após são ajustados os fatores de escala (σ). Para esta determinação é empregado o algoritmo K-means (Baughman e Liu, 1995). José Hilton da Silva, Dezembro/2014. 18.

(31) Revisão Bibliográfica. 2.5 Algoritmos genéticos Os Algoritmos Genéticos (GA) inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização encontrados no mundo real (Cao et al., 1999). Ou seja, utilizam conceitos provenientes do princípio de seleção natural para abordar uma série ampla de problemas, em especial de otimização. Segundo Lucas (2002), os Algoritmos Genéticos buscam a melhor solução para os problemas de otimização, utilizando um processo iterativo de busca da melhor solução para o problema. A busca se dá a partir de uma população inicial, que, combinando os melhores representantes desta população, obtém uma nova população, que passa a substituir a anterior. A cada nova iteração é gerada uma nova população que apresenta novas e melhores soluções para o problema em questão, culminando com a sua convergência. Na Figura 2.5 está apresentada a estrutura de funcionamento de um algoritmo genético tradicional.. Figura 2.5 – Estrutura de funcionamento de um AG tradicional. Fonte: Lucas (2002).. Estes algoritmos começaram a ser estudados por John Holland no começo dos anos 70, quando teve inicio uma pesquisa sobre algoritmos que manipulavam strings de 0 e 1, que ele chamou de cromossomos. Tais algoritmos realizavam a evolução simulada destas populações de cromossomos, resolvendo de forma eficiente o problema de encontrar bons cromossomos através da manipulação do material contido nos mesmos. José Hilton da Silva, Dezembro/2014. 19.

(32) Revisão Bibliográfica. Thede (2004) descreveu de forma objetiva em seu trabalho os operadores genéticos que são responsáveis pela seleção, cruzamento e mutação da população. A função do operador seleção é escolher os elementos da população que participarão do processo de reprodução, isto é, selecionar os pais dos indivíduos que estarão presentes na nova população. Esta escolha deve ser feita de tal forma que os membros da população mais adaptados ao meio ambiente, tenham maior chance de reprodução, isto é, aqueles que apresentam um valor da função fitness mais elevado. A forma mais conhecida de se fazer a seleção dos indivíduos é o algoritmo de seleção por roleta, onde cada indivíduo da população ocupara uma porção da roleta, proporcional ao seu índice de aptidão (fitness). Com isto os indivíduos que possuem uma alta aptidão ocuparão uma porção maior do que os indivíduos que possuem uma aptidão menor. Esta roleta é girada várias vezes, e a quantidade de giros varia conforme o tamanho da população. Em cada giro da roleta é selecionado um indivíduo que participará do processo de geração da nova população. O operador de cruzamento tem a função de combinar os cromossomos dos pais, para gerar os cromossomos dos filhos. Existem vários tipos de operadores de cruzamento, uns desenvolvidos para serem mais genéricos e outros mais adequados a um tipo de codificação de cromossomos. Existem duas técnicas de cruzamento, o cruzamento em um ponto e o cruzamento uniforme. O cruzamento em um ponto consiste em dividir os cromossomos selecionados em um ponto de sua cadeia, sendo este ponto escolhido aleatoriamente. Após isso, copia-se uma parte dos cromossomos de cada pai, para gerar os cromossomos dos novos filhos. É comum, neste método de cruzamento, os pais gerarem dois novos filhos, mas podese criar qualquer quantidade de filhos, desde que, o número de alelos permita o número desejado de combinações diferentes. A Figura 2.6 demonstra um exemplo deste método de cruzamento.. Figura 2.6 - Exemplo do operador de cruzamento em um ponto. Fonte: Thede (2004). José Hilton da Silva, Dezembro/2014. 20.

(33) Revisão Bibliográfica. O cruzamento uniforme consiste em gerar cada gene do descendente, copiando o correspondente gene de um dos pais, sendo este gene o escolhido de acordo com uma “máscara de Cruzamento” gerada aleatoriamente. No processo de criação do cromossomo, percorrem-se todas as posições da máscara analisando seus valores, quando o valor da posição corrente for 1, o gene do primeiro pai, referente à mesma posição da máscara, é copiado. Caso o valor da mascara seja 0, será copiado o gene do segundo pai. No término do processo estará gerado o novo descendente. Na Tabela 2.1 tem-se um exemplo da aplicação do cruzamento uniforme. Tabela 2.1– Um exemplo de cruzamento uniforme. Máscara de cruzamento. 0101001. Primeiro Pai. 1101101. Segundo Pai. 0001110. Descendente. 0101111. Fonte: Thede (2004).. O operador de mutação é responsável pela inserção de pequenas mudanças aleatórias nos cromossomos dos filhos. Como no caso dos operadores de cruzamento, existem vários tipos de operadores de mutação, entretanto neste estudo utilizou-se o operador de mutação de bit. Este método gera uma probabilidade de mutação para cada bit do cromossomo. Caso a mesma seja baixa, o bit sofrerá a mutação, recebendo um valor determinado aleatoriamente dentre os valores que podem ser assumidos pelo cromossomo. A Tabela 2.2 demonstra 3 cromossomos de comprimento 4 e os números aleatórios gerados para cada um dos bits do cromossomo, juntamente com os novos bits que demonstram as possibilidades de mutação e o resultado final da mutação. Tabela 2.2– Um exemplo de mutação de bit. Cromossomo. Números aleatórios. anterior. Novo. Cromossomo. bit. novo. 1010. 0,540. 0,002. 0,325. 0,290. 1. 1110. 0110. 0,690. 0,457. 0,063. 0,744. -. 0110. 1111. 0,001. 0,082. 0,922. 0,432. 0. 0111. José Hilton da Silva, Dezembro/2014. 21.

(34) Revisão Bibliográfica. O objetivo do cruzamento e da mutação é fazer com que os cromossomos criados no processo de reprodução sejam diferentes dos cromossomos dos pais. Com isto, o operador de cruzamento tem a função de combinar os cromossomos dos pais, para gerar os cromossomos dos filhos, e o operador de mutação é responsável pela inserção de pequenas mudanças aleatórias nos cromossomos gerados. Por fim ocorrem as etapas de atualização e finalização. Na atualização, os indivíduos resultantes do processo de cruzamento e mutação são inseridos na população segundo a política adotada pelo algoritmo genético. No algoritmo genético simples, a população mantém um tamanho fixo e os indivíduos são criados em mesmo número que seus antecessores e os substituem por completo. Existem, porém, alternativas a essa abordagem: o número de indivíduos gerados pode ser menor, o tamanho da população pode sofrer variações e o critério de inserção pode ser variado, ou o conjunto dos n melhores indivíduos pode sempre ser mantido. A finalização não envolve o uso de nenhum operador genético: ela simplesmente é composta de um teste que dá fim ao processo de evolução caso o algoritmo genético tenha chegado a algum ponto pré-estabelecido de parada (Lucas, 2002). Segundo Lucas (2002) os algoritmos genéticos têm as seguintes características:  Busca codificada: Os algoritmos genéticos não trabalham sobre o domínio do problema, mas sim sobre representações de seus elementos. Tal fator impõe ao seu uso uma restrição: para resolver um problema é necessário um conjunto de soluções viáveis para que este possa ser de alguma forma codificado em uma população de indivíduos;  Generalidade: Os algoritmos genéticos simulam a natureza em um de seus mais fortes atributos, a adaptabilidade. Visto que a representação e a avaliação das possíveis soluções são as únicas partes que obrigatoriamente requisitam conhecimento dependente do domínio do problema abordado, bastando a alteração destas para portá-los para outros casos;  Paralelismo explícito: o alto grau de paralelismo intrínseco aos algoritmos genéticos pode ser facilmente verificado se considerar o fato de que cada indivíduo da população existe como um ente isolado e é avaliado de forma independente. Se na natureza todo processo de seleção ocorre de forma concorrente, nos algoritmos genéticos essa característica se repete;  Busca estocástica: ao contrário de outros métodos de busca de valores ótimos, os algoritmos genéticos não apresentam um comportamento determinístico. As probabilidades de aplicação dos operadores genéticos fazem com que estes operem de forma previsível. José Hilton da Silva, Dezembro/2014. 22.

(35) Revisão Bibliográfica. estatisticamente, apesar de não permitirem que se determine com exatidão absoluta o comportamento do sistema;  Busca cega: um algoritmo genético tradicional opera ignorando o significado das estruturas que manipula e qual a melhor maneira de trabalhar sobre estas. Tal característica lhe confere o atributo de não se valer de conhecimento específico ao domínio do problema, o que lhe traz generalidade por um lado, mas uma tendência a uma menor eficiência por outro;  Eficiência mediana: por constituir um método de busca cega, um algoritmo genético tradicional tende a apresentar um desempenho menos adequado que alguns tipos de busca heurística orientadas ao problema. Para resolver tal desvantagem, o método mais utilizado é a hibridização, em que heurísticas provenientes de outras técnicas são incorporadas;  Paralelismo implícito: pela busca por populações, a evolução de um algoritmo genético tende a favorecer indivíduos que compartilhem determinadas características, sendo assim capaz de avaliar implicitamente determinadas combinações ou esquemas como mais ou menos desejáveis, efetuando o que chamamos uma busca por hiperplanos, de natureza paralela;  Facilidade no uso de restrições: ao contrário de muitos outros métodos de busca, os algoritmos genéticos facilitam a codificação de problemas com diversos tipos de restrição, mesmo que elas apresentem graus diferentes de importância. Neste caso, se dois indivíduos violam restrições, é considerado mais apto aquele que viola as mais flexíveis em detrimento daquele que viola as mais graves.. José Hilton da Silva, Dezembro/2014. 23.

(36) Capítulo 3 Metodologia.

(37) Metodologia. 3. Metodologia A metodologia do trabalho foi desenvolvida para prover as informações necessárias ao algoritmo genético de forma rápida e mais confiável possível. O ideal seria que o algoritmo genético realizasse a otimização diretamente na unidade industrial, entretanto isto não é aceito em função dos riscos de perdas de produção, parada da unidade, dentre outros problemas operacionais. Na Figura 3.1 está apresentado um diagrama de blocos do trabalho desenvolvido.. Figura 3.1– Diagrama de blocos do estudo desenvolvido. Fonte: Autor. José Hilton da Silva, Dezembro/2014. 25.

(38) Metodologia. 3.1 Simulação O primeiro passo na simulação é definir os dados básicos. Neste, o usuário define quais serão as unidades, as tolerâncias de cálculo, os componentes, os conjuntos termodinâmicos e outros dados importantes da simulação. Na sequência é desenvolvida a caracterização da carga. Por se tratar de uma mistura complexa de compostos, o petróleo deve ser devidamente caracterizado para que possa ser utilizado na simulação de sistemas de refino de petróleo. A ferramenta computacional escolhida apresenta uma flexibilidade na forma de definir uma corrente do tipo petróleo por meio de um banco de dados interno, o qual contém a caracterização de diversos óleos processados internacionalmente. Essa é a mais simples maneira de se utilizar uma corrente do tipo petróleo, pois uma vez selecionado o cru desejado, o sistema já carrega os dados referentes à curva PEV, curva de densidades, composição dos leves e pré-seleciona um conjunto de grupos de corte adequado para o óleo utilizado. A seleção do conjunto de grupos de corte é um dos passos críticos na simulação de uma corrente de petróleo, já que a partir deles são gerados os pseudo-componentes utilizados pelo simulador. Um número reduzido de grupos de cortes torna a simulação mais rápida, demandando menor esforço computacional, no entanto, pode comprometer a acurácia dos resultados. Por outro lado, a utilização de um elevado número de grupos de cortes tende a produzir melhores resultados, uma vez que as propriedades dos pseudocomponentes são calculadas em um menor intervalo de temperatura, porém tende a elevar o custo computacional. O PETROX® disponibiliza, além do conjunto padrão de grupos de corte para cada óleo do banco de dados, um padrão baseado em temperaturas, um baseado em volumes vaporizados da curva PEV e a possibilidade de se customizar um conjunto de grupos de corte. A mistura dos petróleos foi realizada através de um misturador. Assim sendo, foram geradas as correntes de cru independentemente do banco do simulador, e fez-se a mistura através de um bloco misturador. Essa alternativa tende a elevar o número de componentes a ser utilizados na simulação, já que cada petróleo foi caracterizado por seu grupo de pseudocomponentes e a mistura conterá o conjunto total de pseudo-componentes. A primeira bateria de preaquecimento, a segunda bateria de preaquecimento e o forno foram simulados utilizando trocadores de calor simples, somente com o fim de ajustar as temperaturas e pressões de entrada da torre estabilizadora, na entrada e saída do forno, respectivamente. As colunas estabilizadoras e de destilação atmosférica foram simuladas utilizando colunas rigorosas. O ponto de partida para a simulação de uma coluna de destilação é a José Hilton da Silva, Dezembro/2014. 26.

(39) Metodologia. caracterização do arranjo físico da unidade, sendo principalmente representado pelo número de estágios de equilíbrio, sua natureza, ideais ou não, a presença ou não de refervedor, o tipo de condensador, e a localização das correntes de alimentação e retirada, bem como as condições de operação da torre, representadas por vazão, pressão e temperatura de carga, perfil de pressão na torre, pressão e/ou temperatura no vaso de topo, razão de refluxo e vazão de retirada de produtos. A simulação da coluna estabilizadora (T-01) foi desenvolvida com uma coluna de 6 estágios ideais, possuindo um condensador parcial para a corrente de topo (na simulação corrente G1) e um refeverdor para a corrente de fundo (na simulação corrente CRUE), totalizando para o simulador um total de 7 estágios teóricos de separação. A carga é alimentada no segundo estágio teórico. Esta torre gera três correntes de hidrocarbonetos, duas no condensador, gás combustível e nafta leve não estabilizada, e uma pelo fundo. Esta última corrente, o cru prevaporizado, é a carga da torre de destilação atmosférica. A Figura 3.2 apresenta, de forma simplificada, a topologia utilizada na simulação da torre estabilizadora no simulador. Na simulação desta torre foi fixado como especificação o valor de temperatura de fundo, flexibilizando-se a carga térmica do reboiler. Na Figura 3.3 têm-se estas variáveis no simulador. Algumas variáveis, que serão resultados da simulação, necessitam de uma estimativa inicial para que o simulador possa iniciar o algoritmo de cálculo, designada de variáveis estimadas. Estas possiblitam que o grau de liberdade da simulação seja zero. Na Figura 3.4 estão apresentadas as variáveis estimadas da estabilizadora no simulador.. José Hilton da Silva, Dezembro/2014. 27.

(40) Metodologia. Figura 3.2 – Tipologia da coluna estabilizadora no simulador.. Figura 3.3 – Variável especificada e flexibilizada da torre estabilizadora.. José Hilton da Silva, Dezembro/2014. 28.

(41) Metodologia. Figura 3.4 – Variáveis estimadas da torre estabilizadora. Na simulação da torre de destilação atmosférica utilizaram-se dados do equipamento, tais como número de pratos da torre principal e retificadora lateral, eficiência de separação das zonas nafta/diesel e diesel/RAT, prato onde é realizada a retirada do diesel e tipo de condensador. Na Figura 3.5 tem-se a tipologia das colunas fracionadora e retificadora. José Hilton da Silva, Dezembro/2014. 29.

(42) Metodologia. Figura 3.5 – Tipologia das colunas fracionadora e retificadora. Estabelecidos os parâmetros da torre é necessário especificar suas condições de operação, as condições da carga e das correntes de produtos da torre de destilação atmosférica e das retificadoras laterais. Para simular uma torre de destilação atmosférica com ou sem retificadoras laterais deve-se definir algumas das variáveis abaixo: . Temperaturas do condensador de topo e dos outros estágios da torre;. . Carga térmica do condensador de topo;. . Pressão no condensador de topo e outros estágios da torre;. . Pressão nos estágios das torres retificadoras;. . ΔP na torre ou ΔP por estágio;. . Vazões de carga e dos produtos;. . Razão de refluxo.. Na simulação foram fixados como especificações os valores de temperatura de topo e da vazão de diesel, flexibilizando-se para cada uma delas uma outra variável. Na Figura 3.6 têm estas variáveis no simulador.. Figura 3.6 – Variáveis especificadas e flexibilizadas da torre fracionadora. José Hilton da Silva, Dezembro/2014. 30.

(43) Metodologia. Foi necessário também fornecer valores estimados de algumas variáveis que são resultados da simulação. Isso se faz necessário para que o simulador tome estes dados como estimativas iniciais destas variáveis. Estimativas ruins poderiam levar a não convergência da simulação, portanto recomenda-se fornecer valores próximos aos esperados. Na Figura 3.7 estão apresentadas as variáveis estimadas.. Figura 3.7 – Variáveis estimadas da torre fracionadora.. José Hilton da Silva, Dezembro/2014. 31.